Implementasi Learning Vector Quantization Dan Deteksi Tepi Robert Untuk Pengenalan Citra Wajah
IMPLEMENTASI LEARNING VECTOR QUANTIZATION DAN DETEKSI TEPI ROBERT UNTUK PENGENALAN CITRA WAJAH SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Ilmu Komputer M. IQSHAN JOHANDRA
091401036 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN
2014
PERSETUJUAN
Judul : IMPLEMENTASI LEARNING VECTOR QUANTIZATION DAN DETEKSI TEPI ROBERT UNTUK PENGENALAN CITRA WAJAH
Kategori : SKRIPSI Nama : M. IQSHAN JOHANDRA Nomor Induk Mahasiswa : 091401036 Program Studi : S1 ILMU KOMPUTER Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA Diluluskan di Medan, April 2014
Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Amer Sharif, S.Si, M.Kom Dr. Erna Budhiarti Nababan, MIT NIP. -
NIP. - Diketahui/disetujui oleh Program Studi S1 Ilmu Komputer Ketua, Dr. Poltak Sihombing, M.Kom NIP. 19620317 199103 1 001
PERNYATAAN
IMPLEMENTASI LEARNING VECTOR QUANTIZATION DAN DETEKSI TEPI ROBERT UNTUK PENGENALAN CITRA WAJAH SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, April 2014 M. Iqshan Johandra 091401036
PENGHARGAAN
Alhamdulillah. Puji dan syukur kehadirat Allah SWT, yang dengan rahmat dan karunia-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu penulis dalam menyelesaikan skripsi ini baik secara langsung maupun tidak langsung. Pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Bapak Prof. Dr. dr. Syahril Pasaribu, DTM&H, Msc(CTM), Sp.A(K) selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
3. Bapak Dr. Poltak Sihombing, M.Kom. selaku Ketua Program Studi S1 Ilmu Komputer dan Dosen Pembanding yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
4. Ibu Maya Silvi Lydia, B.Sc. M.Sc. selaku Sekretaris Program Studi S1 Ilmu Komputer.
5. Ibu Dr. Erna Budhiarti Nababan, MIT selaku Dosen Pembimbing yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
6. Bapak Amer Sharif, S.Si, M.Kom. selaku Dosen Pembimbing yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
7. Bapak Prof. Dr. Iryanto, M.Si. selaku Dosen Pembanding yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
8. Seluruh dosen serta pegawai di Program Studi S1 Ilmu Komputer Fasilkom-TI Universitas Sumatera Utara.
9. Ayahanda Husin Indra Kusuma dan Ibunda Rida Hananti serta abangda M.Iqbal Febian yang selalu memberikan dukungan baik materi maupun non-materi, perhatian, semangat, serta doa tanpa henti kepada penulis.
10. Teman-teman stambuk 2009 yang selalu memberikan doa, semangat, bantuan dan saran kepada penulis selama proses penyelesaian skripsi ini.
11. Teman-teman Raja Risol dan Aliansi The Sikit yang selalu memberikan doa, saran dan semangat kepada penulis.
12. Semua pihak yang terlibat langsung maupun tidak langsung yang tidak dapat penulis ucapkan satu demi satu yang telah membantu penyelesaian skripsi ini. Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.
Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini.
Medan, April 2014 Penulis,
M. Iqshan Johandra
ABSTRAK
Jaringan syaraf tiruan merupakan sebuah sistem komputasi yang diilhami dari pengetahuan tentang sel saraf biologis di dalam otak manusia. Salah satu pemanfaatan jaringan syaraf tiruan adalah untuk pengenalan pola. Wajah seseorang pasti berbeda tetapi terkadang memiliki bentuk yang mirip dengan orang lain, karena itu pola wajah merupakan pola yang bagus untuk coba dikenali dengan menggunakan jaringan saraf tiruan. Pengenalan pola pada jaringan saraf tiruan dapat dilakukan dengan metode
Learning Vector Quantization (LVQ). Metode LVQ terdiri dari lapisan input (input
layer ), lapisan kompetitif dan lapisan output (output layer). Pelatihan dilakukan pada
setiap pola masukan, hasil pelatihannya akan dibandingkan dengan target. Pada penelitian ini, digunakan pula metode deteksi tepi Robert untuk mengolah citra yang digunakan sebagai pola masukan jaringan syaraf tiruan agar diperoleh garis tepi dari citra wajah tersebut. Berdasarkan hasil uji coba diketahui ketepatan metode LVQ dan deteksi tepi Robert untuk mengenali pola citra wajah yang telah dilatih dan tidak memiliki noise adalah 100%. Untuk pengenalan pola citra wajah yang memiliki noise tingkat akurasi pengenalan sebesar 42,5%.
Katakunci: Jaringan Syaraf Tiruan, Pengenalan Pola, Learning Vector
Quantization, Deteksi Tepi Robert.
IMPLEMENTATION OF LEARNING VECTOR QUANTIZATION AND
ROBERT EDGE DETECTION FOR FACE PATTERN RECOGNITION
ABSTRACT
Artificial neural network is a computing systems which is inspired by knowledge of biological nerve cell in human brain. One of the function of artificial neural network is for pattern recognition. Every human face certainly different but having a similar shape with the others, therefore facial pattern is a good pattern to try recognize using artificial neural network. Learning Vector Quantization (LVQ) is one of the artificial neural network method which is using for pattern recognition. LVQ have input layer, competitive layer, and output layer. In LVQ training is done on each input pattern, the training result will be compared with target. In this research Robert edge detection method is also used to process image in order to obtained the edge line of the facial image that used as input. Based on the test results are known accuracy of LVQ and Robert edge detection to recognize trained and do not have noise face image patterns is 100%, while for image which has noise the recognition accuracy is 42,5% .
Keyword: Neural Network, Pattern Recognition, Learning Vector Quantization,
Robert Edge Detection.
DAFTAR ISI
Hal.Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak vi
Abstract
vii Daftar Isi viii
Daftar Tabel x
Daftar Gambar xi
Bab I Pendahuluan
1.1 Latar Belakang
1
1.2 Perumusan Masalah
2
1.3 Batasan Masalah
3
1.4 Tujuan Penelitian
3
1.5 Manfaat Penelitian
3
1.6 Metodologi Penelitian
3
1.7 Sistematika Penulisan
4 Bab II Landasan Teori
2.1 Pengenalan Pola
6
2.2 Wajah
7
2.3 Citra
7
2.4 Deteksi Tepi
8
2.4.1 Operator Robert
8
2.5 Jaringan Saraf Tiruan
10
2.5.1 Arsitektur Jaringan Saraf Tiruan
11
2.5.1.1 Single Layer Network
11
2.5.1.2 Multi Layer Network
12
2.5.1.3 Recurrent Network
12
2.5.2 Fungsi Aktivasi
13
2.6 Jaringan Saraf Tiruan LearningVector Quantization (LVQ)
13
2.6.1 Algoritma Pelatihan
14
2.6.2 Arsitektur Jaringan LVQ
15 Bab III Analisis dan Perancangan
3.1 Analisis Sistem
17
3.1.1 Analisis Permasalahan
17
3.1.2 Analisis Kebutuhan Sistem
18
3.1.2.1 Kebutuhan Fungsional Sistem
18
3.1.2.2 Kebutuhan Nonfungsional Sistem
18
3.1.3 Analisis Proses Sistem
19
3.1.3.1 Proses LVQ
19
3.1.3.2 Perancangan Arsitektur Jaringan
19 Hal.
3.2 Pemodelan Sistem
21
3.2.1 Use Case Diagram
21
3.2.1.1. Use Case Proses Pelatihan
22
3.2.1.2. Use Case Proses Pengujian
23
3.2.2. Sequence Diagram
23
3.2.2.1. Sequence Diagram Proses Pelatihan
24
3.2.2.2. Sequence Diagram Proses Pengujian
24
3.2.3. Activity Diagram
25
3.2.3.1. Activity Diagram Proses Pelatihan
26
3.2.3.2. Activity Diagram Proses Pengujian
27
3.3 Pseudocde Program
27
3.3.1. Pseudocde Proses Pelatihan
27
3.3.2. Pseudocde Proses Pengujian
28
3.4 Perancangan Flowchart
29
3.4.1. Flowchart Sistem
29
3.4.2. Flowchart Proses Pelatihan
30
3.4.2. Flowchart Proses Pengujian
31
3.4.4. Flowchart Deteksi Tepi Robert
31
3.4.5. Flowchart Algoritma Pelatihan Metode LVQ
32
3.4.6. Gambaran Umum Sistem
33
3.5 Perancangan Antarmuka
33
3.5.1 Antarmuka Beranda
33
3.5.2 Antarmuka Pelatihan
35
3.5.3 Antarmuka Pengujian
36
3.5.4 Antarmuka Bantuan
37 Bab IV Implementasi dan Pengujian
4.1 Implementasi Sistem
38
4.1.1 Tampilan Antarmuka Sistem
38
4.1.1.1 Antarmuka Beranda
38
4.1.1.2 Antarmuka Pelatihan
39
4.1.1.3 Antarmuka Pengujian
43
4.1.1.3 Antarmuka Bantuan
44
4.2 Pengujian Sistem
45
4.2.1 Jenis Pengujian
45
4.2.1.1 Pengujian terhadap Citra Wajah yang telah Dilatih
45
4.2.1.2 Pengujian terhadap Citra Wajah yang telah Dilatih
49 dan Diberi Noise Bab V Kesimpulan dan Saran
5.1 Kesimpulan
59
5.2 Saran
60 Daftar Pustaka
61 Lampiran Listing Program A-1
Lampiran Curriculum Vitae B-1
DAFTAR TABEL
Nomor Nama Tabel Halaman Tabel 3.1 Dokumentasi Naratif Use Case Proses Pelatihan.22 3.2 Dokumentasi Naratif Use Case Proses Pengujian.
23
4.1 Hasil Pengujian terhadap Citra Wajah yang telah Dilatih
46 4.2 Citra Wajah Setelah Diberi Noise sesuai Besar Persentasenya.
50
4.3 Hasil Pengujian terhadap Citra Wajah yang telah Dilatih dan
52 Diberi Noise.
4.4 Hasil Pengujian terhadap Seluruh Citra Wajah yang telah
54 Dilatih dan Diberi Noise.
4.5 Hasil Pengujian terhadap Seluruh Citra Wajah yang telah
55 Dilatih dan Diberi Noise yang Tidak Tepat Dikenali
4.6 Hasil Pengujian terhadap Seluruh Citra Wajah yang telah
56 Dilatih dan Diberi Noise yang Tepat Dikenali
DAFTAR GAMBAR
Nomor Gambar Nama Gambar Halaman39
40
4.4 Tampilan Antarmuka Kotak Dialog Pemilihan Wajah
40
4.3 Tampilan Antarmuka Pelatihan
39
4.2 Tampilan Konfirmasi Keluar
4.1 Tampilan Antarmuka Beranda
41
37
36
35
34
33
32
3.16 Flowchart Algoritma Proses Pelatihan Metode LVQ Diagram Proses Sistem Secara Umum Rancangan Antarmuka Beranda Rancangan Antarmuka Proses Pelatihan Rancangan Antarmuka Proses Pengujian Rancangan Antarmuka Bantuan
4.5 Tampilan Antarmuka Pelatihan setelah dimasukkan Citra Wajah
4.6 Tampilan Antarmuka Pelatihan setelah dilakukan Deteksi Tepi
3.14
4.12
57
57
45
44
4.14 Tampilan Antarmuka Pengujian setelah Proses Pengujian Tampilan Antarmuka Bantuan Grafik Pengujian Citra Wajah Azhar, Fauzi, Tedja dan Sandy Grafik Pengujian Citra Wajah Fiktar, Fizhta dan Rio Grafik Pengujian Citra Wajah Putra, Iqshan dan Santo
4.13
4.11
42
4.10
43
4.9 Tampilan Antarmuka Pengujian
42
4.8 Tampilan Antarmuka Konfirmasi Reduksi Data
42
4.7 Tampilan Antarmuka Konfirmasi Simpan Data
3.15
3.13
2.1 Diagram Sederhana Proses Pengenalan Pola
12
20
15
3.1 Arsitektur JST LVQ Umum Arsitektur Jaringan LVQ Sistem
2.7
12
2.6 Multi Layer Network
2.5 Single-Layer Network
21
10
2.4 Diagram Neuron Jaringan Syaraf Tiruan
9
2.3 Contoh Deteksi Tepis
9
2.2 Operator Silang
6
3.2 Use Case Diagram Sistem Pengenalan Citra Wajah
3.3 Sequence Diagram Proses Pelatihan
3.12
3.8 Flowchart Proses Pelatihan
3.11
31
3.10 Flowchart Deteksi Tepi Robert
31
3.9 Flowchart Proses Pengujian
30
30
24
3.7 Flowchart Sistem
27
3.6 Activity Diagram Proses Pengujian
26
3.5 Activity Diagram Proses Pelatihan
25
3.4 Sequence Diagram Proses Pengujian
58